Wie Machine Learning Vertragsdaten analysiert: Supervised und Unsupervised Learning, der zweistufige ML-Prozess, die drei Ebenen der Textanalyse und warum juristische Sorgfalt unverzichtbar bleibt.
Maschinelles Lernen ist in vielen Rechtsabteilungen und Kanzleien noch ein Randthema. Viele Unternehmen fragen sich bis heute, ob sie überhaupt auf Machine Learning oder KI setzen sollten. Die Zahl derer, die sich ernsthaft damit beschäftigen, wächst jedoch rasant. Wichtig ist dabei eine Erkenntnis: Künstliche Intelligenz löst Probleme nicht von allein – sie wirkt nur, wenn sie in ein durchdachtes Software-Design eingebettet ist.
Dieser Beitrag erklärt die Grundlagen der KI-gestützten Vertragsanalyse: wie Machine Learning aus Daten lernt, worin sich Supervised und Unsupervised Learning unterscheiden und warum Vertragstext für Maschinen so schwer zu fassen ist. Wie sich KI insgesamt ins Vertragsmanagement einfügt, lesen Sie in unserem Leitfaden zur KI-Vertragsanalyse; die konkrete technische Umsetzung mit vortrainierten Modellen, Prompting und RAG behandelt der Beitrag zur Datenextraktion mit KI.
Das Wichtigste in Kürze: Machine Learning erkennt Muster in Vertragsdaten und nutzt sie für Vorhersagen. Supervised Learning braucht gelabelte Daten und liefert zuverlässige Ergebnisse bei klar definierten Mustern; Unsupervised Learning kommt ohne Labeln aus und eignet sich, um Anomalien aufzudecken. Die Grenze liegt in der Semantik des Textes – die fachliche Bewertung bleibt Aufgabe erfahrener Juristen.
Machine Learning: Eine Unterkategorie der KI
Bevor wir uns dem Machine Learning widmen, klären wir kurz die Begriffe – angefangen bei der Künstlichen Intelligenz (KI). Im einfachsten Fall ist KI der Einsatz von Maschinen zur Lösung komplexer Probleme. Im Vertragsmanagement lassen sich damit viele Prozesse mithilfe von KI optimieren und drastisch verbessern.
Machine Learning ist der Bereich der KI, der Systeme entwickelt, die Muster aus Daten „erlernen“. Diese Muster wenden sie anschließend auf neue, bisher unbekannte Daten an, um Vorhersagen zu treffen. In der Regel läuft das in einem zweistufigen Prozess ab: zuerst das Training auf bekannten Daten, dann die Anwendung auf neue Verträge.
Wie Machine Learning Vertragsdaten lernt
Die Datenmenge ist entscheidend
Machine Learning benötigt in der Regel einen großen Datensatz – ein in der Mathematik weithin bekanntes Phänomen. Wer Aussagen eine hohe Wahrscheinlichkeit beimessen will, braucht eine breite Datenbasis. Da Machine Learning auf der Statistik aufbaut, gilt diese Regel hier uneingeschränkt: Analysen, die mit hoher Wahrscheinlichkeit aussagekräftige Auswertungen über Ihren Vertragsprozess liefern, setzen große Datensätze voraus.
Ein Teil dieser Daten dient zunächst dazu, das Modell zu entwickeln. Anders als bei herkömmlichen Algorithmen, die Menschen für ein bekanntes Muster schreiben, erhält ein Machine-Learning-Algorithmus die Aufgabe, das Muster hinter einem bekannten Ergebnis selbst zu finden.
Schlussfolgerung oder Vorhersage
Das fertige Modell lässt sich nun mit neuen, ihm unbekannten Daten füttern. Auf Basis der gelernten Trainingsdaten trifft es dann Vorhersagen für die Ergebnisse der neuen Datenreihe.
Welche Bedeutung hat Machine Learning für den rechtlichen Bereich?
Zwei große Bereiche des maschinellen Lernens sind auch für den juristischen Sektor von großem Interesse:
Supervised vs. Unsupervised Learning
Supervised Learning
Supervised Learning gehört zu den einfacheren Aufgaben des Machine Learning, wenn es darum geht, Vertragsdaten zu extrahieren und zu analysieren. Dabei werden Datenpunkte mit sogenannten Labeln versehen – das können ganze Verträge, einzelne Paragraphen oder auch nur einzelne Wörter sein. Diese Anreicherung erleichtert es dem Algorithmus, Muster in den Daten zu erkennen. Die gelernten Muster, etwa das Erkennen von Paragraphen, führt die Maschine anschließend selbständig auf neuen Datensätzen aus.
Die Anreicherung der Daten mit Labeln im Supervised Learning erleichtert es den Machine-Learning-Algorithmen, Muster in den Daten zu erkennen.
Ein klarer Nachteil gegenüber anderen Methoden bleibt allerdings: Es braucht menschlichen Input, um die Muster überhaupt zu kennzeichnen. Gerade bei der Auswertung tausender Verträge ist dieser zusätzliche Aufwand substanziell.
Unsupervised Learning
Beim Unsupervised Learning entfällt die Kategorisierung durch den Menschen. Das ermöglicht eine automatisierte Extraktion der Vertragsdaten: Die Maschine versucht auch hier, Ähnlichkeiten in den Daten zu erkennen – allerdings ohne die zusätzliche Information aus dem Labeln. Muster in ungeordneten Datensätzen aufzuspüren, ist deshalb in der Regel schwieriger. Die Interpretation der aufgedeckten Zusammenhänge obliegt, wie schon im ersten Fall, dem Menschen.
Diese Kontrolle ist beim Unsupervised Learning besonders wichtig, denn das aus der Statistik bekannte Prinzip der Scheinkorrelation – die Frage nach der Kausalität – lässt sich erst durch den Menschen ausschließen.
Unsupervised Learning findet vielfach Anwendung bei der Aufdeckung von Anomalien in Verträgen, die sich nicht mit einfachen Labeln erfassen lassen. Gerade im Rahmen von Due-Diligence-Analysen ist das eine wertvolle Information.
Unsupervised Learning findet vielfach Anwendung bei der Aufdeckung von Anomalien in Verträgen, die sich nicht mit einfachen Labeln erfassen lassen.
Die Problematik des Machine Learning für die Textanalyse
Die Schwierigkeit der Textanalyse liegt darin, Textstellen in eine numerische Darstellung zu überführen, die alle Informationen erfasst, die einem Menschen beim Lesen zur Verfügung stehen. Wörter und Syntax lassen sich numerisch ausdrücken – die Semantik, die Bedeutung und der Kontext hinter einem Dokument jedoch nur schwer.
Anders als bei Bildern, bei denen sich viele Pixel ohne Folgen für das Gesamtbild ändern lassen, kann sich die Bedeutung eines Textabschnitts gravierend verschieben, wenn man Kleinigkeiten ändert – schon ein einzelnes Komma kann die Aussage eines Satzes kippen.
Welche Vertragsdaten lassen sich extrahieren?
Metadaten
Diese Daten liegen bereits in numerischer Form vor und lassen sich in der Analyse sehr leicht erfassen und verarbeiten. Dazu zählen die Dauer der Bearbeitung, die Zahl der Revisionsschleifen, die Anzahl der bearbeitenden und mitwirkenden Personen bis hin zur Qualität der beteiligten Anwälte. All das macht Vertragsprozesse intelligenter und effizienter. Die Metadaten bilden dabei die Schicht über dem eigentlichen Vertrag.
Daten in den Verträgen selbst
Die Daten in den Verträgen selbst sind deutlich schwieriger zu verarbeiten, da sich die Semantik oft nicht in den für das Machine Learning nötigen numerischen Strukturen abbilden lässt und Kleinigkeiten entscheidend sind. Wir betrachten die Textanalyse daher auf drei Ebenen:
Drei Ebenen der Textanalyse
- 1WortebeneEinzelne Werte wie Start- und Enddatum, Vertragsparteien oder Gerichtsstand
- 2Paragraphen-EbeneErkennt Klauseltypen wie Geheimhaltung oder Haftung und vergleicht sie
- 3VertragsebeneKlassifiziert Vertragsart und Branche über das gesamte Dokument
- Wortebene: Hier lassen sich wertvolle Informationen aus einzelnen Wörtern oder Wortgruppen gewinnen – etwa das Anfangs- oder Enddatum eines Vertrags, die Vertragsparteien oder der festgelegte Gerichtsstand.
- Paragraphen-Ebene: Die Analyse einzelner Paragraphen klärt, ob ein Vertrag eine bestimmte Klausel enthält (etwa eine Geheimhaltungs- oder Haftungsklausel), oder wie ähnlich sich die Klauseln zweier Verträge sind.
- Vertragsebene: Auf dieser Ebene lassen sich die Art des Vertrags und die Branche, für die er geschrieben wurde, klassifizieren.
Unabhängig davon, in welcher Form und an welcher Stelle Daten erhoben und verarbeitet werden, bleibt der zentrale Punkt: Wir modellieren Vertragsdaten nicht um ihrer selbst willen, sondern um Probleme für Kunden zu lösen.
Machine Learning kann dort von großem Vorteil sein, wo mehrere Juristen viel Zeit und Mühe in die manuelle Auswertung von Vertragsklauseln stecken. Da KI diesen Prozess deutlich beschleunigt, spart sie nicht nur Zeit, Aufwand und Ressourcen, sondern ermöglicht es letztlich, mehr Vertragsverhandlungen in kürzerer Zeit abzuschließen.
Ist Machine Learning die ultimative Lösung?
Auch wenn viele Marktteilnehmer künstliche Intelligenz als heiligen Gral für alle Probleme darstellen, ist sie aktuell nur ein Werkzeug im Baukasten des Software-Ingenieurs.
Machine Learning sollte daher nie um seiner selbst willen eingesetzt werden – etwa, um eine fehlende Marketingbotschaft zu füllen oder Investoren von technischer Kompetenz zu überzeugen. Selbst wenn KI im Spiel ist, interessiert den Endkunden allein die Lösung seines Problems. Genau das sollte für jedes seriöse Unternehmen im Vordergrund stehen. Gute Machine-Learning-Algorithmen sind deshalb stets integraler Baustein eines bestehenden Software-Designs zur Lösung eines konkreten Problems. Wenn das Design funktioniert, sollten Nutzer gar nicht bemerken, ob Machine Learning im Spiel ist.
Bereit für den nächsten Schritt?
Buchen Sie eine Demo mit unserem Team und sehen Sie top.legal in Aktion